《Journal of Hydrology》：Representing canopy interception in a distributed snow model to improve snow accumulation and melt timing
编辑推荐：
在美国西部，季节性积雪历来是一个广阔而稳定的天然水库，其融雪的时机和规模驱动着地表水可用性、地下水补给和水库蓄水。融雪是满足下游农业和生活用水需求的主要资源（Sturm et al., 2017），在山地地区，融雪贡献了高达70%的总径流（Li et al.,
在美国西部，季节性积雪历来是一个广阔而稳定的天然水库，其融雪的时机和规模驱动着地表水可用性、地下水补给和水库蓄水。融雪是满足下游农业和生活用水需求的主要资源（Sturm et al., 2017），在山地地区，融雪贡献了高达70%的总径流（Li et al., 2017）。然而，气候变暖导致近几十年来降雪量和积雪覆盖减少，威胁了这一资源。对1949年至2004年降雪量的分析显示，由于降水以雨而非雪的形式降落，总体上呈下降趋势，在湿日最低温度高于-5 °C的地区，下降最为显著（Knowles et al., 2006）。同样，对1955年至2016年峰值积雪水当量（SWE）的分析显示，大多数（>90%）积雪遥测（SNOTEL）站点均有所下降（Mote et al., 2018）。此外，预计到2050年，美国西部的SWE将下降约25%（Siirila-Woodburn et al., 2021），增加了雪旱风险（Dierauer et al., 2019）。在积雪主导地区的业务化预报使用校准指数模型（即温度指数模型），当条件超出校准期时，这些模型的技能会下降。鉴于对气候变化响应下积雪覆盖变异性和减少的日益关注，精确模拟控制积雪累积和消融的过程对于指导积雪水资源预测和水资源管理变得越来越重要。
植被，特别是森林，显著影响积雪动态，而植被-积雪相互作用是基于过程的积雪模型的关键组成部分。美国西部的针叶林面积约为114.5万平方公里，约占该区域总面积的48.5%和森林总面积的78%（Oswalt et al., 2019）。根据森林密度和区域条件，森林冠层可拦截11%至60%的降雪（Lundberg and Koivusalo, 2003; Storck et al., 2002; Suzuki and Nakai, 2008），从而减少冠层下的积雪累积。一旦被拦截，雪会经历四个进一步的过程：质量卸载、冠层内融化、升华或因风再分布（Lundquist et al., 2021）。涡度协方差测量表明，被拦截雪的升华间接影响冠层下积雪累积，一项研究量化了升华损失为0.71 mm day-1（Molotch et al., 2007）。卸载、融化和再分布等过程直接促进冠层下积雪累积并影响融雪时间。对北美和欧洲65个站点的综述发现，森林覆盖变化解释了57%的积雪累积方差和72%的消融方差（Varhola et al., 2010）。因此，将详细的冠层积雪过程纳入积雪模型对于在森林区域获得可靠的水量平衡是必要的。此外，精确量化森林冠层内的雪质量平衡对于改善森林区域雪反照率和净可用辐射的表征至关重要（Andreadis et al., 2009; Webster and Jonas, 2018）。
研究人员开发了几种冠层积雪截留参数化方案来在水文和陆面模型中表征这些过程。基于自1990年代以来北方森林的地面观测，建立了最大积雪截留能力与降雪量之间的经验关系（Schmidt & Gluns, 1991）。此后，一个经典的冠层截留方案将截留效率表述为一个渐近接近最大截留能力的指数函数，该最大截留能力计算为叶面积指数（LAI）和新雪密度的函数（Hedstrom & Pomeroy, 1998）。在该方案中，雪通过升华和依赖于时间的指数衰减卸载从冠层中移除。Storck等人（2000）发现，与寒冷条件相比，在较暖的暴风雪期间，最大截留能力增加了四倍，这归因于接近0 °C时雪的内聚力和附着力的增加。这些参数化方案已广泛应用于包括CRHM（Pomeroy et al., 2007）、CLASS（Bartlett et al., 2006）、VISA（Niu & Yang, 2004）和CLM（Lawrence et al., 2019）在内的陆面模型中。最近的基于物理的方法通过显式求解被拦截雪的能量和质量平衡方程，考虑了冠层、大气和下层积雪之间的辐射交换以及湍流热通量（Cebulski and Pomeroy, 2026; Essery et al., 2025; Mahat and Tarboton, 2012），从而通过结合子网格冠层结构的冠层能量平衡模型更好地捕捉小尺度森林积雪变异性。尽管在冠层截留建模方面取得了这些进展，但在分布式模型中，冠层对积雪过程的影响已被以不同程度的复杂性纳入考虑。
辐射校正是某些温度指数模型（Jost et al., 2012）和能量平衡模型如SNOWPACK（Bartelt & Lehning, 2002）和Crocus（Vionnet et al., 2012）中最重要的植被效应之一，这是由于冠层遮荫和增强的长波发射。这些积雪模型根据源自LAI或冠层比例的冠层透射率修改能量平衡分量。然而，这些仅辐射的修正并未明确考虑冠层中的雪截留表征和雪质量平衡，这可以根据气候和森林结构将森林下方的积雪累积减少40%至60%（Varhola et al., 2010）。如上所述，一些陆面模型已经实施了主要基于Hedstrom and Pomeroy (1998)参数化或其变体的冠层积雪方案。然而，这些实现在关键假设上有所不同，例如被拦截的雪是否可以通过融化损失或仅通过固态卸载，卸载是由时间衰减驱动还是由温度和风驱动，以及最大截留能力是恒定的还是依赖于温度的；关于哪种参数化方案最能代表在不同气候条件下变化的冠层雪质量平衡过程，尚未达成共识。另一方面，由于缺乏地面观测，直观地在较大尺度和长期时段验证冠层积雪过程具有挑战性；大多数研究在样地尺度和短期时段验证过程，或评估在纳入冠层积雪过程后积雪模型是否得到改进。一些广泛使用的分布式积雪模型仍然缺乏冠层截留的显式表征，考虑到冠层雪质量平衡对地面积雪覆盖的重大影响，这将在积雪模拟中引入误差并进一步影响水资源预测。
基于过程的、空间分布的积雪模型iSnobal（Marks et al., 1999）目前正被科罗拉多河流域预报中心评估用于业务化使用。该模型在数字高程模型上的每个网格单元显式求解能量和质量平衡，无需内部、特定地点的校准以保证计算效率和可移植性（Hedrick et al., 2018）。最近，iSnobal被发展为部分由高分辨率快速刷新（HRRR）数值天气预报模型的输出驱动（Meyer et al., 2023）。HRRR-iSnobal实现再现了雪深模式，但融雪过慢，积雪消失比观测晚多达34天。在相关工作中，整合遥感反照率以提供净太阳辐射信息改善了融雪时间（Meyer et al., 2024），但在有冠层覆盖的区域仍存在持续性误差。尽管iSnobal使用植被类型和高度调整冠层下的短波和长波辐射（Link & Marks, 1999），但它尚未考虑冠层截留过程。这项工作的动机不仅是弥合iSnobal中的方法论差距，也是使用一个适用的建模框架改进森林区域的积雪模拟。
为了解决这一差距，研究人员将冠层积雪过程集成到由HRRR驱动的iSnobal中；新的模型实现在下文中称为Canopy-iSnobal。其主要目标是：(1) 量化研究区域内针叶林冠层拦截的降雪量，(2) 比较iSnobal和Canopy-iSnobal之间的模拟差异，以及(3) 评估在iSnobal中考虑冠层效应后模型技能的改进。
1. 研究背景与科学问题
在美国西部，季节性积雪是重要的天然淡水资源，其融雪时间和强度直接影响下游农业灌溉、城市供水及生态需水。然而，气候变化导致该区域降雪减少、积雪覆盖退缩，传统的基于温度指数的水文预报模型在非稳态气候条件下精度显著下降。因此，发展能够精确刻画积雪累积与消融过程的物理机制模型，对于提升水资源预测和管理能力至关重要。
森林，尤其是针叶林，是影响积雪动态的关键因素。在美国西部，针叶林覆盖面积约114.5万平方公里，占区域总面积的48.5%。森林冠层可以拦截11%至60%的降雪，并通过卸载、冠层内融化、升华和风再分配等过程改变到达地面的雪量及其时空分布。现有研究表明，森林覆盖变化可解释57%的积雪累积方差和72%的消融方差。尽管许多水文和陆面模型已发展了不同的冠层截留参数化方案（如基于Hedstrom & Pomeroy, 1998的经验模型），但这些方案在关键假设上存在分歧，且多数分布式积雪模型仍缺乏对冠层截留过程的显式表征，导致在森林区域的模拟存在显著误差。
具体而言，研究人员关注的分布式积雪模型iSnobal虽然能显式求解能量和质量平衡，并已在高分辨率快速刷新（HRRR）气象数据驱动下应用于科罗拉多河流域，但其模拟的雪深消退时间比观测值滞后多达34天。尽管后续通过引入遥感反照率改进了融雪时间，但在有冠层覆盖的区域仍存在系统性偏差。这是因为iSnobal仅通过植被类型和高度调整冠层下的辐射传输，而未考虑冠层截留造成的雪质量平衡变化。因此，本研究旨在将冠层积雪截留过程耦合进iSnobal模型（形成Canopy-iSnobal），以填补这一方法论空白，提升森林区域积雪模拟的准确性。
2. 研究目标
本研究的三个核心目标是：(1) 定量评估研究区内针叶林冠层拦截的降雪量；(2) 对比分析原始iSnobal与新开发的Canopy-iSnobal在模拟积雪动态方面的差异；(3) 评价考虑冠层过程后模型性能的提升程度。
3. 关键技术方法
本研究选取位于科罗拉多河上游流域的东河集水区（East River Watershed, ERW）作为研究区，该区域海拔2440-4330米，约44%的面积（290 km2）被针叶林覆盖，平均叶面积指数（LAI）约为1.6，部分地区超过3。研究人员采用的主要技术方法包括：
- •
冠层截留模型：选用Hedstrom-Pomeroy (HP98) 物理模型来量化冠层截留降雪量。该模型将截留效率描述为随冠层积雪趋近最大承载量而指数衰减的函数，最大截留能力由LAI和新雪密度决定。选择该模型的原因是它仅需LAI、植被覆盖度、气温和降雪量等易获取的输入变量，计算成本低，且无需站点特异性校准，符合iSnobal的业务化设计理念。
- •
分布式积雪模型：使用iSnobal模型，这是一个基于过程的、空间分布的积雪模型，在每个网格单元显式求解能量和质量平衡。在本研究中，iSnobal由高分辨率快速刷新（HRRR）数值天气预报模型（3公里分辨率）的输出驱动。
- •
模型耦合与对比：研究人员将HP98冠层截留模型集成到HRRR驱动的iSnobal中，形成Canopy-iSnobal模型。通过对比原始iSnobal与Canopy-iSnobal的模拟结果，评估冠层截留过程对雪深、积雪开始日期（SOD）和积雪消失日期（SDD）等指标的影响。
- •
数据来源与验证：研究使用了来自USGS 3DEP的10米分辨率高程数据、LANDFIRE的30米分辨率植被覆盖/类型数据、基于Landsat 8衍生的30米分辨率LAI数据，以及来自Airborne Snow Observatories, Inc.的50米分辨率雪深观测数据进行模型验证。
4. 主要研究结果
4.1 冠层截留降雪的空间分布
研究发现，研究区内针叶林冠层拦截的降雪量为50-150毫米，呈现清晰的空间格局。这表明冠层截留是一个不可忽视的水量项，其空间异质性对区域水量平衡有重要影响。
4.2 冠层内积雪消融与卸载的时空变化
在冠层内部，雪的融化与卸载过程表现出不同的时空变化特征。这意味着冠层不仅作为一个静态的拦截器，其内部的动态过程（如不同时间、不同位置的融化速率和卸载事件）也会显著影响最终到达地面的雪量及其时间分布。
4.3 Canopy-iSnobal对积雪模拟指标的改进
与原始iSnobal相比，耦合了冠层过程的Canopy-iSnobal模型模拟的雪深降低，积雪开始日期（SOD）延迟，积雪消失日期（SDD）提前。这些变化更符合森林冠层下方积雪的实际观测特征，因为冠层截留减少了到达地面的雪量，同时冠层遮蔽和长波辐射交换改变了融雪速率。
4.4 驱动雪深、SDD和SOD变化的关键因素
分析表明，冠层拦截的降雪量和坡向是驱动雪深、SDD和SOD变化的主要因素。这揭示了地形（坡向影响辐射接收）和植被（冠层截留）的共同作用是塑造森林区域积雪动态的核心机制。
4.5 模型误差的量化减少
Canopy-iSnobal使雪深的模拟误差减少了0.11-0.17米。这一量化结果表明，纳入冠层截留过程显著提升了模型在森林区域的模拟精度，对于改进水文预报具有重要意义。
5. 讨论与结论
讨论部分总结：研究人员的讨论指出，尽管HP98模型是一种广泛应用且有效的参数化方案，但其系数源于北方森林，可能不完全适用于研究区的山地针叶林，未来研究可探索更复杂的物理模型。此外，冠层截留过程与辐射修正的交互作用需要进一步解耦分析，以理解各自对模拟改进的相对贡献。研究还强调了高分辨率LAI数据和准确的降雪相态划分对于冠层截留模拟的重要性。
研究结论：本研究成功将基于Hedstrom-Pomeroy (1998)的冠层积雪截留模型集成到分布式积雪模型iSnobal中，形成了Canopy-iSnobal模型。通过在科罗拉多河上游东河集水区的应用，研究人员定量展示了针叶林冠层拦截了大量降雪（50-150毫米），并显著改变了积雪的累积与消融动态。与原始iSnobal相比，Canopy-iSnobal模拟的雪深更低、积雪开始日期（SOD）更晚、积雪消失日期（SDD）更早，并将雪深模拟误差减少了0.11-0.17米。该研究证实，在分布式积雪模型中显式表征冠层截留过程是提高森林区域积雪模拟精度、进而改善水资源预报的关键步骤。
